### numpy `np.sum` 函数中 `axis` 参数详解 #### 1. 基本概念 `np.sum()` 是 NumPy 库中的一个重要函数，用于计算数组元素的总和。其核心参数之一是 `axis`，它决定了沿着哪个维度执行求和操作。如果不指定 `axis` 参数，则默认会对整个数组的所有元素进行求和[^1]。 #### 2. 不同场景下的 `axis` 设置 - **未设置 `axis`** 当不传递 `axis` 参数时，`np.sum()` 将对输入数组的所有元素进行累加，无论该数组是一维、二维或多维结构。最终返回的是一个单一数值的结果[^1]。 ```python import numpy as np a = np.array([[1, 2], [3, 4]]) result = np.sum(a) # 输出为 10 (1+2+3+4) ``` - **`axis=0` 的作用** 如果设定 `axis=0`，则表示沿第零轴方向（即列的方向）进行求和运算。对于二维数组而言，这意味着每一列会被单独处理并汇总成一个新的一维数组[^3]。 ```python data = np.array([[42, 87, 1], [95, 19, 85]]) col_sum = np.sum(data, axis=0) # 结果为 array([137, 106, 86]) ``` - **`axis=1` 的意义** 设定 `axis=1` 表明要沿着第一个轴（行的方向）来完成累积工作。同样适用于两维以上的张量，在这种情况下每行的数据被压缩到一起形成新的向量[^2]。 ```python row_sum = np.sum(data, axis=1) # 得到 array([130, 199]) ``` - **负数索引支持 (`axis=-1`)** 使用 `-1` 可以方便地指代最后一个现有维度上的聚合行为；这尤其有助于动态调整大小或未知秩的情况下简化编码逻辑。 ```python last_dim_sum = np.sum(data, axis=-1) # 同样得到 array([130, 199]) ``` #### 3. 多维情况分析 在更高维度的空间里应用此技术也能保持一致性原则——始终依据所选坐标系定义好的路径逐层深入直至触底为止。例如三维情形下： ```python b = np.arange(24).reshape((2, 3, 4)) print(b) # 对最内侧维度求和(axis=2 或者 axis=-1)，相当于将每个子矩阵按照行的方式折叠起来 innermost_sum = np.sum(b, axis=2) ``` 以上展示了如何通过灵活运用不同的 `axis` 来实现复杂数据集的有效降维以及统计特性提取过程。 --- ### 总结 综上所述，`axis` 参数控制着 `np.sum()` 所针对的具体维度方向，从而极大地增强了我们操控多维数据的能力。无论是简单的全局合计还是精细至特定层面的操作需求都可以借助这一机制得以满足。